如何科学评价课程实施与教学质量，让评价真正服务于教学改进，是当前基础教育改革的核心议题之一。在数字化转型纵深推进的背景下，教育评价正从经验判断走向数据驱动。本文基于“伴随式数据循证”理念，系统阐述数智技术赋能下教学评价体系的构建逻辑与实践路径，探索以评价促教改的有效机制。

    体系架构：CAIV闭环的数据循证逻辑。科学的学习评价要建立覆盖学习全过程的动态证据链。笔者认为，应以“伴随式数据循证”理念为核心，构建“采集（Collection）—分析（Analysis）—干预（Intervention）—验证（Verification）”的CAIV闭环，形成用数据说话、循证据改进的系统性评价框架。

    全流程伴随式数据采集是该体系的基础。应依托国家智慧教育平台等技术载体，建立覆盖“课前—课中—课后”的三维数据采集机制。课前通过国家智慧教育平台发布前置性调查问卷，精准定位学生认知起点；课中通过人工智能技术实时抓取课堂交互、任务完成及协作学习数据，记录学习过程的真实状态；课后利用相关技术汇聚复习巩固数据与学习行为轨迹，捕捉知识内化与迁移的完整路径。由此形成贯穿教学全过程、涵盖多场景的多源异构数据证据链，为科学评价奠定实证基础，使学习质量评价从“单一结果性”走向“多维全程性”。

    科学评价：从经验判断到循证诊断。科学评价课程实施与学习质量，关键在于实现过程可观测、问题可定位、改进可追踪。该体系通过分层递进的数据分析，将模糊的学习质量感知转化为精准的学情诊断。

    第一层为平台初析，利用各平台自带的描述性统计功能，对采集数据进行即时汇总与可视化呈现。教师据此研判班级整体学情分布，在课中即时调适教学策略，实现边教边评、即评即改的过程性评价。第二层为AI深析，在课后阶段引入AI工具，对多平台汇聚的学习数据进行深度挖掘与诊断性分析，精准识别学生知识掌握的盲区、共性认知误区及个体学习难点。这种“机器智能+教师智慧”的双层分析机制，既保证了评价时效性，又提升了诊断精准度，使学习质量评价从“经验判断”走向“精准画像”。

    数智赋能：技术重塑评价的功能边界。数智技术在该体系中深度嵌入评价全流程，发挥着不可替代的结构性作用。

    在数据采集层，国家智慧教育平台打破了时空限制，使评价从“课堂抽样”拓展为“全场景伴随”，实现了对学生学习行为的持续性记录。在数据分析层，生成式人工智能突破了传统统计分析的表层局限，能够处理文本、数字等多模态数据，挖掘隐藏的认知模式与学习规律，为教师提供超越经验直觉的深度洞察。在教学干预层，基于数据画像的精准推送，使因材施教从理念走向可操作的技术路径。在效度验证层，纵向数据对照进行差异分析，使干预效果的评估从主观印象转变为可量化的证据对比。数智技术由此重构了评价的功能边界：从“对学习的评价”转向“为了学习的评价”。

    教学评一致：以循证闭环驱动教学改革。教学评一致性的核心在于让评价嵌入教学、反哺教学，形成“评价—改进—再评价”的螺旋上升机制。该体系通过循证导向的差异化干预与闭环式效度验证，实现了以评价促教改的目标。

    基于数据分析生成的精准学情画像，教师通过国家智慧教育平台师生群等平台向学生精准推送微课资源，向存在共性问题的学生提供补偿性练习等差异化学习材料。这种循证导向的干预使教学供给与学情需求高度匹配，落实了以学定教、因材施教的理念，从操作层面保障了“教”与“评”的目标一致。

    干预实施后，体系通过闭环验证确保改进有效。教师利用国家智慧教育平台作业活动功能发布后置检测任务，采集干预后的学习成效数据，建立“课前基础数据—课后过程数据—后测结果数据”的全流程伴随式数据对照架构。通过纵向对比与差异分析，验证前期干预行为的效能。这种“采集—分析—干预—验证”的完整循证闭环使教学改进建立在数据证据的持续驱动上，实现了教学质量的迭代优化。

    （作者单位分别系广东省东莞市东城外国语小学、江西省莲花县城厢中学）